Developing Real-Time Automatic Polyp Detection using Deep-CNN

Abstract

I dette arbeidet studerer vi dyp lærings-metoder for automatisk deteksjon av polypper med sanntidsytelse. Mer spesifikt analyserer vi hvordan arkitekturen AlbuNet-34 kan bli integrert med arkitekturen Faster R-CNN og hvor god ytelse den gir sammenlignet med egenskapsuttrekkere bygget med ResNet. Vi viser at vår modifisering av AlbuNet-34 til de to nettverkene A-conv4 og A-skip gir god ytelse i form av kort prosesseringstid med henholdsvis 62.06 ms og 70.57 ms på datasettet ETIS-Larib brukt for testing. På datasettet Pascal VOC dropper dette til 42.16 ms og 48.37 ms, nær terskelen for sanntid på 42 ms. A-skip oppnår 22.71 % mAP som er over 50 % mer enn ResNet34 som oppnår 14.63 % mAP. Noe overraskende får vi 47.17 % mAP med A-conv4 som er nærme ytelsen til den mye tregere ResNet101 som oppnår 55.16 % mAP.

In this work we study deep learning methods for automatic polyp detection with real-time performance. Specifically we analyse how the AlbuNet-34 architecture can be integrated with the Faster R-CNN architecture and how well it performs compared to feature extractors built with ResNet. We show that our modification of AlbuNet-34 into the two networks A-conv4 and A-skip performs well in terms of low inference time resulting in 62.07 ms and 70.57 ms respectively on the ETIS-Larib dataset used for testing. On the Pascal VOC dataset these drops down to 42.16 ms and 48.37 ms, close to the real-time threshold of 42 ms. A-skip shows a 22.71 % mAP which is more than a 50 % increase of ResNet34 which gets 14.63 %. Surprisingly we get 47.17 % mAP with A-conv4 which is close to the performance of the much slower ResNet101 which gets 55.16 % mAP.